Виртуальные информационные модели

стадированиЯ опухолей печени

(savin.rar)

Ó 2006 г. Косых Н. Э., Рыжавский Б. А., Савин С. З. (Grunts)

Виртуальные информационные модели представляют собой особый метод компьютерного воссоздания структуры изучаемой живой системы, основанного на формировании специальных баз данных, привязанных к конкретным точкам создаваемой модели. Основным принципом ВИМ печени является объединение отдельных расположенных в пространстве точек в трехмерную структуру, отражающую с той или иной степенью приближения форму моделируемого органа. При этом каждая точка объекта имеет свою числовую характеристику, конкретные значения которой определяются с одной стороны координатами данной точки, а с другой стороны – степенью влияния на нее соседних точек. Поскольку ВИМ используется для компьютерного воссоздания структуры различных органов биологических организмов, влияние отдельных точек может распространяться на разные части (подуровни) моделируемого объекта и соответствовать тем функциональным связям между тканями и органами, которые реально существуют в организме биологического прототипа. Каждая точка модели соответствует строго определенной части организма-прототипа. Основой для формирования ВИМ служат послойные электронные изображения объекта, выполняемые с заданным шагом. Такие изображения переводятся в электронную таблицу, являющуюся каркасом базы данных виртуальной модели печени. К данной БД могут обращаться программы, ставящие своей целью моделирование конкретных процессов в организме. ВИМ является новым направлением в математической морфологии и информационном моделировании биообъектов.

При множестве разнообразных методологических средств объективного анализа в медицине, экологии, экологической радиологии классическое изучение организма, проводимое в течение длительного исторического периода, всегда включало в себя в том или ином отношении два основных принципа познания – визуальное отражение и метрический. Принцип визуального отражения состоит в стремлении максимально достоверно или схематически изобразить на носителе информации внешний вид и внутреннюю структуру изучаемого объекта живой природы [3,10]. Метрический принцип заключается в качественном и количественном анализе исследуемого объекта [1,5,6,11]. В зависимости от характера и объема исследования может рассматриваться в качестве объекта как каждая особь, ее организм, отдельные его органы, ткани, клетки и субклеточные структуры, так и популяция в целом. Иногда метрический принцип используется при изучении связей между основными системами жизнеобеспечения организма, отдельными особями, субпопуляциями экосистемы и другими элементами живых систем различной сложности и размерности (задачи математической экологии, патофизиологии и т.п.). До сих пор в научных исследованиях данные принципы исследования применяются параллельно, взаимно дополняя друг друга. Их интеграция, как правило, осуществляется самим ученым, связывающим результаты метрических исследований с визуальными характеристиками объекта исследования. Такой подход, безусловно оправданный во всех отношениях с позиций медицины, далеко не идеален для задач компьютерного программирования. В данной ситуации характер интеграции метрических и визуальных данных на определенном этапе программирования определяется исследователем и до некоторой степени является субъективным.

Еще в конце 80-х годов в лаборатории медицинской информатики ВЦ ДВО РАН была разработана идеология метода информационного моделирования объектов живой природы, основанная на теоретико-игровом подходе к задачам распознавания образов (ТИМ), пространственных принципах построения специализированных баз данных, биологических информационных системах (БИС) и логико-семантических представлениях о процессах жизнедеятельности организма [1,2]. Актуальность подобного подхода к исследованию живых систем связана с возможностями широкого применения новых информационных технологий, современных средств программирования и вычислительной техники, информационной среды в задачах биологии, экологии, медицины, управления природными ресурсами, охраны здоровья; использования информационной среды Интернет для повышения эффективности профилактики, диагностики и лечения заболеваний, особенно в отдаленных районах. В связи с этим представляется важной проблема адаптации к медицинским задачам известных средств визуального моделирования, подходов к организации визуальных данных, инструментария распознавания растровых изображений, применяемых в других областях науки, техники, геологии, производстве и управлении. Научное значение проекта связано с разработкой универсального подхода к созданию унифицированной БИС для дальнейших перспективных исследований живых систем, физиологических механизмов деятельности, развития и устойчивости организма человека и животных, экологической физиологии человека и животных, биологии развития, а также в теоретической области разработки нейрокомпьютеров; нейрофизиологии и нейробионике. Для этого были изучены принципы распознавания образов в экологии, медицине и биологии, в частности, основные методы распознавания визуальных изображений (тексты, карты, образы и прочие паттерны). Были исследованы принципы создания на основе существующих печатных и электронных анатомических атласов человека пространственной «идеальной» числовой модели организма, и в результате разработан оригинальный принцип сравнения идеальной виртуальной модели с реальными моделями, получаемых в ходе диагностической медицинской компьютерной томографии. На основе глубокой теоретической проработки принципов использования средств числовой томографии для анализа рентгеновских компьютерно-томографических изображений органов были предложены новые методы определения границ органов отдельных анатомических структур и патологических объектов на примере двумерных КТ и ЯМР растровых изображений различных частей тела [4,6,9]. Особый интерес проявлен к возможностям использования метода информационного моделирования живых систем в задачах распознавания зрительных образов для построения экспертной части биологической информационной системы (БИС). Изучены проблемы применения различных статистических методов для решения задачи распознавания образов как задачи вычисления свойств биообъекта (гранты РФФИ № 01-07-96316, 04-07-97002). Разработаны программные средства автоматизированной экспертной системы по распознаванию класса тканевого субстрата организма по его двухмерным изображениям (пакеты прикладных программ Human Base, Project1,2,3 и т.д.).

Напомним, что виртуальная информационная модель (ВИМ) представляет собой созданную в результате компьютерного моделирования систему, отражающую форму, внутреннюю структуру и функции биологического объекта [10, 11]. Основной задачей ВИМ является воссоздание в компьютерном варианте функциональных и патологических процессов, происходящих в организме биологического прототипа. Степень схожести модели с реальным биологическим объектом, а также тип самого прототипа могут быть различными, что определяется характером задач, решаемых исследователем. Ее основными элементами являются база данных (БД) модели, моделирующие программы, обращающиеся к БД и осуществляющие непосредственный процесс моделирования и сценарий, определяющий в соответствии с характером воссоздаваемой функции выбор моделирующих программ, последовательность этапов их использования. Построение первичной информационной модели как набора растровых изображений послойных срезов биологического объекта – начало процесса информационного моделирования. В качестве первичной модели может быть послойное МРТ или КТ изображение тела, послойная фотография, либо послойные рисунки объекта. В процессе виртуального информационного моделирования из двухмерных графических файлов создается база данных в виде электронной таблицы, при этом минимальная точка графического изображения (пиксель) путем преобразования является строчкой в таблице. Таким образом, ВИМ представляет собой группировки точек в замкнутом пространстве биологического объекта, соответствующие органам и основным системам жизнеобеспечения организма [1,6,11]. Каждая точка кроме координатных значений отображает конечное множество логической и числовой информации, в той или иной степени характеризующей конкретную анатомическую область, которую представляет данная точка. Размер такого подмножества зависит от разрешающей способности конкретного метода исследования, т.е. насколько подробно должна описывать ВИМ морфологию организма-прототипа. Между точками в замкнутом пространстве существует множество связей, распространяющихся на все пространство или только на отдельные его части. Данные связи имитируют функциональные связи, реально существующие между отдельными частями организма. Все множество точек с их разнообразной релевантной информацией и функциональными связями между собой представляет БД в форме электронной таблицы, к которой могут обращаться любые компьютерные программы, ставящие своей целью моделирование того или иного биологического процесса в организме. При достаточно большом количестве информационных кодов и связей конкретной точки с другими точками ВИМ может отображать бесконечное число морфологических и функциональных состояний организма-прототипа (рис.1-2) .

Такой подход позволяет по-новому взглянуть не только на проблему соотношения основных принципов познания - визуального отражения и метрического. ВИМ дает возможность создать виртуальный организм, с любой степенью подобия отображающий не только морфологию, но и модели функционирования биологического прототипа. При этом на стыке медицины и информатики возникает новое научное направление – виртуально-информационная анатомия. Анатомия организма в рамках виртуального информационного моделирования имеет существенные отличия от классической анатомии. Во-первых, в рамках информационной виртуальной модели организма строение неотделимо от функции, т.е. (патологическая) анатомия от физиологии. Так, каждая строчка системы (она же строчка в электронной таблице) помимо информационного кода, указывающего на принадлежность ее к какой-либо ткани, может содержать информацию о тех или иных биологических константах в данном месте, протекающих здесь тех или иных биологических процессах. Во-вторых, каждая точка ВИМ полифункциональна, т.е. одновременно содержит информацию о различных физиологических процессах, протекающих в данном месте при тех или иных условиях. В-третьих, объем и масса части организма-прототипа, соответствующей той или иной точке ВИМ, является одним из параметров, включаемых в строку электронной таблицы информационной базы данных. Указанные особенности свидетельствуют о том, что информационные системы, созданные на основе метода ВИМ, представляют собой особый вариант интеграции данных, относящихся к различным разделам биологии в рамках единой модели живой системы. Возможности такой интеграции определяются лишь размером базы данных БИС и характеристиками ПК.

Рассмотрим принципы применения ВИМ на примере диагностики и лечения злокачественных новообразований печени (ЗНОП). Как известно, одним из путей улучшения результатов лечения злокачественных новообразований является индивидуализация лечебных программ, осуществляемая с учетом распространенности опухолевого процесса. Как указывают авторы [10], в медицинском мире на настоящий момент отсутствует консенсус по классификации гепатоцеллюлярной карциномы. Для оценки прогноза заболевания используется система TNM и Child-Pugh. В Барселонской Клинике Печеночного Рака на основе когортных и рандомизированных клинических исследований была разработана классификация ГЦК с учетом стадии опухоли, функции печени, объективного состояния больного и опосредованных опухолью симптомов (по [7]). Эта классификация позволяет разделить пациентов на категории с ранней, средней, выраженной и конечной стадией заболевания, что дает возможность выбрать лечение и прогнозировать его эффект. Применение в радиологии и онкологии методов восстановления пространственного изображения изучаемых органов на основе 3D-графики дает большой объем информации о распространении опухолевого процесса большинства локализаций. Однако при классификации по традиционно используемой системе TNM используется лишь небольшая часть от всей получаемой при медицинской компьютерной томографии актуальной информации. Как уже указывалось [10], одним из существенных недостатков стадирования по TNM является неоднородность классификационных критериев: критерии ТNM имеют либо количественное, либо вероятностно-прогностическое значение. Критерии TNM не являются универсальными для описания размеров (объема) опухоли в разных частях одного и того же организма: в разных анатомических зонах организма под одним и тем же значением критерия Т понимается разный объем опухолевой ткани. Тотальное применение вероятностно-прогностических критериев, одинаковых для всех органов и систем, в силу анатомических особенностей организма невозможно.

Основной целью наших практических исследований является разработка методологических подходов ВИМ к определению оптимального соотношения таких параметров, как размер опухоли и ее локализация, близость к элементам кровеносной и иммунной систем, для классификации распространенности новообразований печени (рис.3). В процессе создания ВИМ печени можно выделить три этапа. На первом (подготовительном) этапе проводится визуальный анализ послойных компьютерных томограмм, определяется необходимое расстояние между соседними срезами. В создаваемых нами моделях печени таковым является расстояние в 10 мм. На втором этапе (графическом) в каждом срезе выделяются зоны, различающиеся между собой вероятностью радикального удаления опухоли возникающей в каждой из них. Третьим этапом формирования модели является создание БД, представленных в виде электронной таблицы (рис.4). Для этого методом экспертных оценок определялась вероятность радикального удаления опухоли в каждой выделенной зоне, этот числовой показатель обозначается как признак "неоперабельности". Согласно вышеизложенным принципам ВИМ, стадируемая ЗНОП, представленная серией послойных изображений (рентгеновских компьютерных томограмм, магнитно-резонансной, позитронно-эмиссионной томографии), рассматривается как совокупность точек (пикселей) электронного изображения (рис.5).

Для моделирования различных вариантов опухолевого процесса разработано программное обеспечение, позволяющее интегрировать информационные модели печени и опухоли [8]. Основными критериями классификации выбраны отношение площади поверхности опухоли к ее объему, отношение объема опухоли к объему печени (индекс объемов), среднее значение признака «неоперабельность» в оболочке из окружающей опухоль тканей (индекс неоперабельности) (рис.6).

Основные числовые показатели, определяемые при оецнке степени распространенности опухоли печени:

k1- отношение площади поверхности опухоли к ее объему

k2 – отношение объема опухоли к объему печени («индекс объемов»)

k3 – среднее значение признака «неоперабельность» в оболочке из окружающей опухоль тканей в зависимости от близости лимфоузлов («индекс неоперабельности»).

Помещая модель опухоли одного и того же объема в разные точки информационной модели печени, мы получаем различные значения индекса неоперабельности. В электронные таблицы БД заносились координаты каждой точки изображения (пикселя) и соответствующие ему значения признака неоперабельности. ВИМ исследуемой ЗНОП смещалась в определенные зоны печени с определенными значениями признака неоперабельности. В каждом срезе значения признака неоперабельности на границе «опухоль - нормальная ткань» было разным.

В условиях клинического эксперимента на базе Хабаровского краевого онкоцентра нами была показана принципиальная возможность использования метода ВИМ в оценке распространенности новообразований в печени. Разработаны алгоритмы моделей экстремальных патологических ситуаций при ЗНОП, которые в реальных условиях необратимо заканчиваются летальным исходом. Исследованы пути моделирования различных терапевтических воздействий, в том числе оперативных вмешательств, лекарственной и лучевой терапии, что служит основной определения числовых характеристик тяжести оперативного вмешательства, химической, иммунной и лучевой терапии. Перспективность описанного метода стадирования заключается в его универсальном характере, что обуславливает возможность использования для оценки распространения опухолей любых локализаций. Упрощенная ВИМ может использоваться для моделирования различных патофизиологических состояний, вызванных не только внутренними причинами (последствия травм, ожогов, нарушения кровообращения, гипертермия, гипоксия, воспаление, опухолевый рост и пр.), но и внешними (инфекции, разноплановые факторы окружающей среды).

В силу принципов универсальности, метричности и иерархичности метода ВИМ при медико-экологических и эпидемиологических исследованиях возможно объединение в единую БД с последующим корректным математическим анализом тех или иных пострадавших органов различных пациентов на популяционном уровне, например, все множество графических файлов печени при ЗНОП и т.д. Эти и иные особые свойства ВИМ позволяют прогнозировать их широкое использование в задачах лучевой диагностики, лучевой терапии, медицинской экологии, радиоэкологии и радиационной медицины. Сочетание методологии геоинформационных (ГИС) и БИС, имеющих много общего с позиций математической морфологии, позволяет решить важную как в теоретическом отношении, так и актуальной практической проблему исследования универсальных принципов применения информационно-распознающих систем для задач распознавания образов в экологии, географической медицине и биологии человека. Идеология БИС в сочетании с пакетами прикладных программ ГИС уже применяется нами при медико-экологических и эпидемиологических исследованиях Дальневосточного федерального округа РФ.

Литература

1. Золотов Е.В., Ионичевский В.А., Кондратьев А.И., Савин С.З. Информационное моделирование живых систем. Владивосток: ДВО РАН, 1991. 260 с.

2. Кондратьев А.И., Полумиенко С.К., Савин С.З. и др. Теоретико-игровой распознающий метод: информационная, алгоритмическая и программная реализация. Владивосток: ДВО АН СССР, 1986. 76 с.

3. Косых Н.Э., Савин С.З. Виртуальные информационные модели организма в задачах лучевой диагностики и лучевой терапии // Информационные технологии в науке, проектировании и производстве: Материалы VI Всероссийской научно-технической конференции. Нижний Новгород: МВВО АТН РФ 2002: С.27.

4. Косых Н.Э., Савин С.З., Хоменюк А.В. Информационные модели в задачах лучевой диагностики. // Тр. Дальневосточной математической школы–семинара имени академика Е.В.Золотова, 2002. Владивосток: Дальнаука, 2002. С.154-156.

5. Косых Н.Э., Савин С.З. Универсальная классификация локальных патологических процессов в организме // Тезисы докладов Дальневосточной математической школы-семинара им. академика Е.В. Золотова. Владивосток: ДВГУ 2003: С.192-193.

6. Косых Н.Э., Рыжавский Б.Я., Савин С.З. Разработка принципов виртуального информационного моделирования клетки // Тезисы докладов Дальневосточной математической школы-семинара им. академика Е.В. Золотова. 6-10 сентября 2004, Владивосток. Владивосток: Изд-во ДВГУ. 2004. С. 176-178.

7. Савин С.З., Косых Н.Э., Чушкин Н.А. Виртуальные информационные системы в задачах медицинской компьютерной томографии // Вычислительные и информационные технологии в науке, технике и образовании: Материалы международной научно-технической конференции ВИТ-2003. Усть-Каменогорск, Казахстан. Вычислительные технологии, 2003, том 8. Новосибирск: Институт вычислительных технологий СО РАН, 2003. С.263.

8. Косых Н.Э., Савин С.З., Хоменюк А.В. Виртуальное информационное моделирование в задачах числовой классификации опухолевого роста // Информационные технологии в науке, проектировании и производстве: Материалы Всероссийской научно-технической конференции. Нижний Новгород: МВВО АТН РФ, 2003. С.17.

9. Косых Н.Э., Савин С.З. Виртуальные нейроинформационные модели в задачах медицинской диагностики // Тезисы докладов VI Всероссийской научно-технической конференции "НЕЙРОИНФОРМАТИКА-2004". Москва. М.: МИФИ, 2004. С.113-120.

10. Косых Н.Э., Савин С.З., Линденбратен В.Д. Метод виртуального информационного моделирования в радиологии // Радиология – практика. М.: Видар-М, 2004: С.32-35.

11. Косых Н.Э., Посвалюк Н.Э., Савин С.З. Биологические информационные системы как средство доказательной медицины // Дальневосточный медицинский журнал. 1-2004, С.56.

3 генерация

5 генерация

7 генерация

9 генерация

Число делений клеток (число генераций)

Клеточная плотность в единице объема

Степень гипоксии

Степень клеточной гибели

Рис.1. ЗНАЧЕНИЯ НЕКОТОРЫХ ОПУХОЛЕАССОЦИИРОВАННЫХ ПРИЗНАКОВ В РАЗНЫХ ТОЧКАХ ВИМ ОПУХОЛИ ПОСЛЕ 9 ЦИКЛОВ ДЕЛЕНИЯ

3 генерации

5 генераций

7 генераций

9 генераций

1234

рис. 2. Динамика изменения значений опухолеассоциированных признаков ВИМ в зависимости от числа генераций

Рис.3. Построение упрощенной модели печени (норма и патология)

Рис.4. ПРИНЦИПЫ СОЗДАНИЯ ВИРТУАЛЬНОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
(формирование многомерной числовой модели)

Рис.5. ПРИНЦИПЫ СОЗДАНИЯ ВИРТУАЛЬНОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
(увеличенное изображение участка печени)

- ОПУХОЛЬ - ОБОЛОЧКА ИЗ ОКРУЖАЮЩИХ ТКАНЕЙ

Рис.6. ВИРТУАЛЬНАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ печени (ФРАГМЕНТ)

Рис.8. ИНТЕГРАЛЬНАЯ ШКАЛА ОЦЕНКИ РАСПРОСТРАНЕННОСТИ ОПУХОЛЕВОГО ПРОЦЕССА

Virtual information models of liver tumor staging

Kosykh N. E., Ryjavskiy B. J., Savin S. Z.

(FESMU, CC of FEB RAS, Khabarovsk, Russia)

Virtual information models (VIM) present itself particular a method of computer reconstructing an under study live system structure, based on shaping the special databases (DB), clinging to concrete spots create models. Cardinal principle VIM of liver is an association separate situated in the space of spots in the three-dimensional structure, reflect with one or another degree of drawing near a form of prototyping organ. Herewith each spot of object has its numeric feature, which concrete values are defined on the one side by coordinates of given spot, but on the other side - a degree of influence upon it nearby spots. As far as VIM is use for computer reconstructing a structure of different organs of biological organisms, influence of separate spots can extend to different parts (sublevels) prototyped object and correspond to that functional relationships between fabrics and organs, which is real exist in the organism of biological prototype. Each spot models corresponds to narrowly defined part of the organism-prototype. Such expressing are translate in the spreadsheet of VIM, show framework of database virtual models livers. To given DB are to appeal the programs, put its will take aim modeling of concrete processes in organism. VIM is a new direction in mathematical morphology and information modeling of biological objects.

ДВГМУ, ВЦ ДВО РАН

Поступила в редакцию 11.09.2006.